Dalam bidang machine learning terdapat salah satu metode yang dapat digunakan dalam menyelesaikan beberapa permasalahan yaitu random forest. Metode ini merupakan bagian dari decision tree atau pohon pengambil keputusan yang berbentuk sebuah diagram alir menyerupai pohon dengan root node yang dapat digunakan.
Root node tersebut dapat digunakan untuk mengumpulkan data. Ada pula inner node yang berisi pertanyaan mengenai data serta terdapat leaf node yang bisa digunakan untuk memecahkan masalah dan membuat keputusan. Metode ini juga akan mengklasifikasikan sebuah sampel data yang belum diketahui kelasnya ke dalam kelas-kelas yang ada.
Penggunaan
Penggunaan decision tree pada metode random forest ini berguna untuk menghindari overfitting pada sebuah set data pada saat mencapai akurasi yang maksimum. Metode ini juga merupakan kombinasi dari masing-masing tree yang baik untuk selanjutnya dikombinasikan ke dalam sebuah model.
Penggunaannya bergantung pada sebuah nilai vektor random dengan menggunakan distribusi yang sama pada masing-masing decision tree. Decision tree tersebut harus memiliki kedalaman yang maksimal. Di dalamnya terdapat classifier yang terdiri dari classifier yang berbentuk pohon {h(x, θ k ), k = 1, . . .}.
Karakteristik
Metode random forest yang memiliki karakteristik tersendiri yang juga merupakan ciri khusus dari metode ini. Pertama, tersebut akan memusatkan random forest yang didalamnya terdapat classifier yang dinyatakan dengan h1(x), h2(x), . . . , hk (x) dan menggunakan training set yang berasal dari distribusi random vektor X dan Y.
Selanjutnya, terdapat hasil dari penggabungan fungsi yang akan menjelaskan mengapa metode ini tidak overfit pada saat tree ditambahkan. Hal tersebut justru menghasilkan nilai yang terbatas pada sistem error. Berikutnya terdapat kekuatan dan korelasi yang tidak akan bergantung terhadap forest.
Fitur-fitur
Fitur pada metode random forest dapat digunakan untuk pemecahan masalah dengan menggunakan decision tree. Pertama fitur di dalamnya menggunakan seleksi input yang random. Kemudian terdapat fitur Bagging yang akan digunakan untuk memilih fitur secara acak dimana masing-masing training set akan diambil sebagai penggantinya dari training set yang asli.
Selanjutnya terdapat kombinasi input yang bersifat linear untuk mengambil fraksi yang akan memimpin dalam meningkatkan kekuatan. Akan tetapi, hal tersebut hanya akan terjadi pada korelasi yang tinggi saja. Pendekatan yang lainnya akan terbentuk dengan mendefinisikan fitur dengan cara mengambil kombinasi random linier.
Demikianlah beberapa penjelasan mengenai metode random forest yang sangat berguna untuk menyelesaikan masalah dengan pemetaan menggunakan decision tree. Dengan menggunakan fitur didalamnya serta beberapa ketentuan yang ditetapkan dengan benar maka akan diperoleh hasil keputusan yang memenuhi standar dan sesuai kebutuhan.
Komentar Terbaru